[论文解读] Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes

Sebastian Kram, Christopher Kraus+4 more|arXiv (Cornell University)|Mar 24, 2022

Indoor and Outdoor Localization Technologies被引用 4

一句话总结

本文提出了一种基于高斯过程回归（GPR）的指纹识别框架，通过建模信道特征的似然性，实现在稀疏室内环境中的鲁棒定位跟踪。通过使用自编码器压缩信道测量数据，并在特征上回归距离相关的高斯过程，该方法实现了粒子滤波融合所需的统计观测建模，在稀疏数据条件下实现了0.52 m的MAE，显著优于在低视距、多径主导的工业环境中基于CNN的指纹识别方法（1.3 m MAE）。

ABSTRACT

Recent localization frameworks exploit spatial information of complex channel measurements (CMs) to estimate accurate positions even in multipath propagation scenarios. State-of-the art CM fingerprinting(FP)-based methods employ convolutional neural networks (CNN) to extract the spatial information. However, they need spatially dense data sets (associated with high acquisition and maintenance efforts) to work well -- which is rarely the case in practical applications. If such data is not available (or its quality is low), we cannot compensate the performance degradation of CNN-based FP as they do not provide statistical position estimates, which prevents a fusion with other sources of information on the observation level. We propose a novel localization framework that adapts well to sparse datasets that only contain CMs of specific areas within the environment with strong multipath propagation. Our framework compresses CMs into informative features to unravel spatial information. It then regresses Gaussian processes (GPs) for each of them, which imply statistical observation models based on distance-dependent covariance kernels. Our framework combines the trained GPs with line-of-sight ranges and a dynamics model in a particle filter. Our measurements show that our approach outperforms state-of-the-art CNN fingerprinting (0.52 m vs. 1.3 m MAE) on spatially sparse data collected in a realistic industrial indoor environment.

研究动机与目标

• 解决基于深度学习的指纹识别（CNN-FP）的局限性，后者需要密集数据集且缺乏用于融合的统计观测模型。
• 实现在真实工业环境中常见、具有复杂多径传播特性的稀疏数据场景下的可靠定位跟踪。
• 开发基于似然的观测模型，利用高斯过程支持在观测层面与其他传感器（如TOF）进行融合。
• 通过仅从高多径区域获取最小化、有针对性的指纹数据，降低数据采集与维护成本，实现高精度定位。
• 提供一种可扩展、紧凑且可靠的CNN-FP替代方案，在数据稀疏性和环境变化下仍能保持性能。

提出的方法

• 使用训练好的自编码器（AE）将原始信道测量（CMs）压缩为空间特征，以提取紧凑且信息丰富的表示。
• 提取与传播特性相关的特征（如来自多径分量的特征），以增强空间敏感性并建模物理信号行为。
• 使用距离相关的核函数对每个特征子集训练独立的高斯过程（GPs），以建模观测似然性。
• 在粒子滤波中集成学习到的GP似然模型、飞行时间（TOF）距离测量值和动力学模型，实现联合状态估计。
• 使用平稳的距离基核函数隐式建模空间相关性与可靠性，实现不确定性感知的定位。
• 在粒子滤波中应用重采样技术，融合基于GP的似然模型、TOF测量值和运动动力学模型，实现鲁棒、实时的定位。

实验结果

研究问题

• RQ1 在具有复杂多径传播特性的空间稀疏室内环境中，基于似然的指纹识别框架是否能优于基于CNN的方法？
• RQ2 与基于深度学习的指纹识别相比，基于GP的观测模型在数据稀疏条件下的性能退化程度如何？
• RQ3 将GP估计的似然模型与TOF及动力学模型融合，是否能提升低视距条件下的定位精度？
• RQ4 使用紧凑的、经自编码器压缩的特征，是否能实现仅用少量训练数据的高精度定位？
• RQ5 当环境发生变化或某些区域数据缺失时，该框架如何保持可靠性和准确性？

主要发现

• 所提出的GPR-AE-S框架在空间稀疏指纹识别数据集上实现了0.52 m的平均绝对误差（MAE），在相同条件下显著优于CNN-FP（1.3 m MAE）。
• 在视距覆盖较低的区域，GPR-AE-S框架的C95误差为1.60 m，而CNN-FP由于缺乏可靠的观测建模，性能下降更为显著。
• 与CNN-FP相比，该框架在稀疏数据下的性能退化更小（MED为0.287 m），表明其对数据稀疏性具有更强的鲁棒性。
• 通过统计建模观测似然，该框架能够有效融合TOF和动力学模型，实现粒子滤波中的观测级融合；而CNN-FP仅能实现状态级融合。
• 在GPR中使用距离相关核函数使系统能够估计可靠性与不确定性，从而在大型、混合传播环境中实现稳定定位。
• 该框架通过仅需针对高多径区域进行定向记录，显著降低了数据采集与维护成本，使其更适合工业部署。